PHP文章采集URL补全函数

写采集必用的函数，URL补全函数，也可叫做FormatUrl。

写此函数作用就是为了开发采集程序，采集文章的时候会经常遇到页面里的路径是 “相对路径” 或者 “绝对根路径” 不是“绝对全路径”就无法收集URL。

所以，就需要本功能函数进行对代码进行格式化，把所有的超链接都格式化一遍，这样就可以直接收集到正确的URL了。

路径知识普及

相对路径：“../” “./” 或者前面什么都不加

绝对根路径：/path/xxx.html

绝对全路径：http://www.xxx.com/path/xxx.html

使用实例：

• <?php
• $surl="http://www.soqi.cc/";
• $gethtm = '<a href="/">首页</a><a href="/daxue/">大学排行</a>';
• echo formaturl($gethtm,$surl);
• ?>
  

输出：

• <a href=http://www.soqi.cc>首页</a><a href=http://www.soqi.cc/daxue/>大学排行</a>
  

函数代码如下：

• <?php   
• function formaturl($l1, $l2) {   
•     if (preg_match_all ( "/(<img[^>]+src=\"([^\"]+)\"[^>]*>)|(<a[^>]+href=\"([^\"]+)\"[^>]*>)|(<img[^>]+src='([^']+)'[^>]*>)|(<a[^>]+href='([^']+)'[^>]*>)/i", $l1, $regs )) {   
•         foreach ( $regs [0] as $num => $url ) {   
•             $l1 = str_replace ( $url, lIIIIl ( $url, $l2 ), $l1 );   
•         }   
•     }   
•     return $l1;   
• }   
• function lIIIIl($l1, $l2) {   
•     if (preg_match ( "/(.*)(href|src)\=(.+?)( |\/\>|\>).*/i", $l1, $regs )) {   
•         $I2 = $regs [3];   
•     }   
•     if (strlen ( $I2 ) > 0) {   
•         $I1 = str_replace ( chr ( 34 ), "", $I2 );   
•         $I1 = str_replace ( chr ( 39 ), "", $I1 );   
•     } else {   
•         return $l1;   
•     }   
•     $url_parsed = parse_url ( $l2 );   
•     $scheme = $url_parsed ["scheme"];   
•     if ($scheme != "") {   
•         $scheme = $scheme . "://";   
•     }   
•     $host = $url_parsed ["host"];   
•     $l3 = $scheme . $host;   
•     if (strlen ( $l3 ) == 0) {   
•         return $l1;   
•     }   
•     $path = dirname ( $url_parsed ["path"] );   
•     if ($path [0] == "\\") {  
•         $path = "";  
•     }  
•     $pos = strpos ( $I1, "#" );  
•     if ($pos > 0)  
•         $I1 = substr ( $I1, 0, $pos );  
•       
•         //判断类型  
•     if (preg_match ( "/^(http|https|ftp)\/\/|\\\\)(([\w\/\\\+\-~`@:%])+\.)+([\w\/\\\.\=\?\+\-~`@\':!%#]|(&amp;)|&)+/i", $I1 )) {  
•         return $l1;  
•     } //http开头的url类型要跳过  
• elseif ($I1 [0] == "/") {  
•         $I1 = $l3 . $I1;  
•     } //绝对路径  
• elseif (substr ( $I1, 0, 3 ) == "../") { //相对路径  
•         while ( substr ( $I1, 0, 3 ) == "../" ) {  
•             $I1 = substr ( $I1, strlen ( $I1 ) - (strlen ( $I1 ) - 3), strlen ( $I1 ) - 3 );  
•             if (strlen ( $path ) > 0) {  
•                 $path = dirname ( $path );  
•             }  
•         }  
•         $I1 = $l3 . $path . "/" . $I1;  
•     } elseif (substr ( $I1, 0, 2 ) == "./") {  
•         $I1 = $l3 . $path . substr ( $I1, strlen ( $I1 ) - (strlen ( $I1 ) - 1), strlen ( $I1 ) - 1 );  
•     } elseif (strtolower ( substr ( $I1, 0, 7 ) ) == "mailto:" || strtolower ( substr ( $I1, 0, 11 ) ) == "javascript:") {  
•         return $l1;  
•     } else {  
•         $I1 = $l3 . $path . "/" . $I1;  
•     }  
•     return str_replace ( $I2, "\"$I1\"", $l1 );   
• }   
• ?>